几乎所有人都会问这个问题：
为什么不把视频传到云端分析？
答案不是技术偏好，而是现实约束。
云端处理是今天大多数 AI 产品的标准架构：数据采集端负责上传，云端负责分析，结果再下发回来。这套架构在很多场景里运行良好，它的优势是算力集中、易于扩展、运维成本低。
但PigVision 的工作环境是猪场，而猪场不是一个"很多场景"能够覆盖的地方。
中国规模化养殖场的地理分布，决定了大多数猪场处于农村或郊区，网络基础设施普遍薄弱。这不是个别现象，而是行业的结构性现实。宽带质量、带宽上限和连接稳定性，在大量猪场的实际条件下，都无法支撑多路高清视频流的持续上传。
即便某个猪场的网络条件相对较好，多路摄像头同时运行，每小时产生的视频数据量仍然庞大。把这些数据持续传输到云端的带宽成本和可靠性要求，在工程上不是一个合理的依赖。
边缘计算的核心思路是：让计算在数据产生的地方发生，而不是让数据去寻找计算。对于 PigVision，这意味着在猪场本地部署一台能够完整运行分析系统的设备——它直接接入猪舍的摄像头网络，在本地完成视频采集、行为分析、指标生成和风险判断的全部工作。
需要传输到云端的，不是原始视频，而是经过本地处理后的结构化数据：行为指标、异常事件记录、风险提示。这些数据体量极小，对网络质量的依赖几乎可以忽略。
网络中断期间，系统继续在本地完整运行，行为分析不中断，数据完整存储。网络恢复后，结构化结果自动同步。猪场网络质量不再是系统可靠性的决定因素。
从视频采集到异常提示的全部处理在本地完成，没有网络往返的时延。这在时间敏感的场景下尤其重要——异常行为的处置窗口是以分钟计的，而不是以小时计的。
猪场的经营数据和猪舍画面，属于场主高度敏感的业务信息。边缘架构下，原始视频始终存储在猪场本地，不需要也不会持续传输到外部服务器。数据主权在场主手里。
云端视频分析的计费通常与数据量和计算量挂钩，多路摄像头的长期运营成本会随规模线性增长。边缘架构的主要成本在硬件侧，一次性投入，长期运行的边际成本极低。
系统接入现有摄像头网络，不需要改造猪场的网络架构，不需要场主具备额外的 IT 能力。对于已经有监控摄像头的猪场，部署门槛极低。
在系统研发过程中，我们评估过多种计算架构，做过不少取舍。边缘计算的选择，不是因为它代表了更先进的技术路线，也不是因为它更能体现技术能力——它之所以被选择，是因为它是最符合真实猪场部署要求的方案。
在猪场环境里，"好用"的定义里有一条不可妥协的要求：
系统必须能在无人照管的情况下，持续运行数月乃至数年。
任何在这个条件下不可靠的架构，无论它在其他维度上多么先进，都不是正确的选择。
这是一条朴素的工程判断，但它决定了 PigVision 今天所有架构决策的方向。